مشاورهٔ رایگان با ال و ویکتوریا
☰
FarsiRealtor.com ‹ همه‌چیز دربارهٔ هوش مصنوعی
همه‌چیز درباره هوش مصنوعی · فصل 3 · مدل‌های جدید · قسمت 6

شیائومی MiMo برای مشاوران املاک: یک خانواده، متن و صدا

MiMo خانواده مدل‌های هوش مصنوعی شیائومی است و زمین بیشتری را از بیشتر مدل‌ها پوشش می‌دهد: یک مدل استدلالی پرچمدار بزرگ، یک نسخه ارزان‌تر و سریع، یک نسخه تنظیم‌شده برای سرعت و مجموعه‌ای از ابزارهای صوتی که متن را با صدای بلند می‌خوانند، یک صدای کاملاً جدید را از یک توصیف طراحی می‌کنند یا یک صدا را از یک نمونه کوتاه کپی می‌کنند. به همه آن از طریق یک API می‌رسید، یا از طریق چت وب و اپ دسکتاپ خود شیائومی.

چیست

MiMo-V2.6 خط مدل متنی فعلی شیائومی است و در سه نسخه برای کارهای مختلف می‌آید. Pro پرچمدار است: 1.02 تریلیون پارامتر در مجموع با 42 میلیارد پارامتر فعال روی هر کلمه، یک میلیون توکن زمینه و متن، تصویر، ویدیو و صدا را به‌عنوان ورودی می‌پذیرد. Flash همان نسل است که برای هزینه کمتر و حجم تماس بالاتر ساخته شده: 309 میلیارد پارامتر در مجموع با 15 میلیارد پارامتر فعال، همان زمینه یک میلیون توکنی، همان چهار نوع ورودی. UltraSpeed همان عملکرد سطح پرچمدار Pro را دارد که تنظیم شده تا بیست برابر سریع‌تر جواب دهد؛ ساخته‌شده برای لحظه‌ای که جواب را بلادرنگ می‌خواهید، نه در چند ثانیه.

در کنار مدل‌های متنی، یک مجموعه جداگانه از ابزارهای صوتی با نام MiMo-V2.5-TTS قرار دارد: خواندن متن با صدای بلند با مجموعه‌ای از صداهای داخلی، طراحی یک صدای کاملاً جدید از یک توصیف نوشته‌شده بدون نیاز به نمونه و شبیه‌سازی یک صدا از یک نمونه صوتی کوتاه. یک مدل گفتار به متن، MiMo-V2.5-ASR، خانواده را کامل می‌کند.

چطور به آن می‌رسید

پلتفرم API خود شیائومی با OpenAI سازگار است، پس هر ابزاری که برای یک اتصال API چت استاندارد ساخته شده، می‌تواند با تغییر یک آدرس به آن اشاره کند. یک حساب می‌سازید و یک کلید در آنجا تولید می‌کنید. همان مدل‌ها در OpenRouter هم هستند، با نام‌های xiaomi/mimo-v2.6-pro و xiaomi/mimo-v2.6-flash و xiaomi/mimo-v2.6-pro-ultraspeed، پس اگر همین حالا یک حساب OpenRouter دارید، این در دوم به همان خانواده است. فراتر از API، شیائومی MiMo Studio، یک چت وب، و MiMo Desktop، یک اپ قابل‌دانلود، را برای هر کسی که یک پنجره چت می‌خواهد، نه یک اتصال برای ساختن، اجرا می‌کند.

به‌طور خاص ابزارهای صوتی

ابزارهای تبدیل متن به گفتار، طراحی صدا و شبیه‌سازی صدا روی همان پلتفرم API مدل‌های متنی قرار دارند و با همان کلید قابل‌دسترسی‌اند. خواندن متن با صدای بلند به یک نام صدای از پیش تعیین‌شده نیاز دارد. طراحی یک صدای جدید فقط به یک توصیف نوشته‌شده از صدا در درخواست نیاز دارد. شبیه‌سازی یک صدا به یک نمونه صوتی کوتاه نیاز دارد که همراه با درخواست، در قالب MP3 یا WAV فرستاده شود.

چرا یک مدل متن، تصویر، ویدیو و صدا را هم‌زمان مدیریت می‌کند

Pro و Flash هر دو به‌عنوان مدل‌های تمام‌وجهی توصیف می‌شوند: همان درخواست می‌تواند متن، تصویر، یک کلیپ ویدیویی یا صدا را شامل شود و مدل روی همه آن‌ها با هم استدلال می‌کند، به‌جای اینکه هر نوع را جداگانه بررسی کند. برای یک مشاور یعنی یک درخواست واحد می‌تواند یک سند، یک عکس و یک کلیپ کوتاه را با هم نگه دارد و یک جواب منسجم پس بگیرد، به‌جای اینکه هر ورودی را از یک ابزار متفاوت رد کنید و جواب‌ها را خودتان سرهم کنید. پنجره زمینه یک میلیون توکنی که هر دو Pro و Flash دارند یعنی آن ترکیب می‌تواند بزرگ باشد؛ یک سند طولانی در کنار چند تصویر؛ بدون اینکه به نوعی محدودیت زمینه برخورد کنید که مجبورتان کند کار را به تکه‌هایی بشکنید.

برای چه چیزی از آن استفاده کنید

نسخه را بر اساس کار انتخاب کنید، نه بر اساس عادت.

هزینه‌اش چقدر است

طبق نرخ‌های منتشرشده خود شیائومی:

Pro 0.435 دلار برای هر میلیون توکن ورودی و 0.87 دلار برای هر میلیون توکن خروجی، با نرخ توکن کش‌شده 0.0036 دلار
Flash 0.14 دلار ورودی و 0.28 دلار خروجی برای هر میلیون توکن
UltraSpeed 4.35 دلار ورودی و 8.70 دلار خروجی برای هر میلیون توکن؛ ده برابر نرخ Pro
MiMo-V2.5-ASR 0.074 دلار برای هر ساعت صدا

UltraSpeed ده برابر نرخ Pro هزینه دارد؛ که همان قیمت سرعت اضافه است. سه مدل تبدیل متن به گفتار در صفحه قیمت خود شیائومی برای مدت محدودی رایگان فهرست شده بودند، بدون تاریخ پایانی منتشرشده برای آن دوره رایگان. مدل گفتار به متن، MiMo-V2.5-ASR، 0.074 دلار برای هر ساعت صدا هزینه دارد.

کجا اشتباه می‌شود

دو احتیاط صادقانه.

اجرای همه‌چیز از طریق UltraSpeed به‌صورت پیش‌فرض. برای سرعتی که روی سندی که با سرعت خودتان می‌خوانید نیاز ندارید، ده برابر نرخ Pro هزینه دارد. آن را برای لحظه‌ای نگه دارید که واقعاً زنده منتظر هستید.

فرض اینکه ابزارهای صوتی رایگان برای همیشه رایگان می‌مانند. صفحه خود شیائومی آن را یک نرخ محدود به زمان می‌نامد، بدون تاریخ پایانی اعلام‌شده، پس پیش از ساختن یک روتین که به آن وابسته‌اید، قیمت فعلی را چک کنید.

در هفته اول چه چیزی را امتحان کنید

دو تمرین، یکی برای هر نیمه خانواده. یک سند را که معمولاً سرسری می‌خوانید، چون خواندن درستش خیلی طول می‌کشد، بردارید و برای یک گذر اول از Flash ردش کنید. توجه کنید چقدر هزینه دارد، بعد تصمیم بگیرید آیا Pro برای آن نوع کار اصلاً لازم بوده یا نه. جداگانه، ابزار طراحی صدا را یک بار امتحان کنید: یک صدا را در یک یا دو جمله توصیف کنید و بدون هیچ نمونه‌ای گوش دهید چه چیزی برمی‌گردد. این راه سریعی است برای اینکه بفهمید ابزار واقعاً چه می‌کند، پیش از اینکه تصمیم بگیرید آیا اصلاً سراغش می‌روید یا نه.

بخش گفتار، کمی عمیق‌تر

سه ابزار گفتار روی سطح API خودشان قرار دارند، جدا از مدل‌های متنی، اما با همان کلید قابل‌دسترسی‌اند. خواندن متن با صدای بلند با یک صدای از پیش تعیین‌شده به چیزی بیشتر از نام بردن آن صدا در درخواست نیاز ندارد. خود سبک را می‌توان با زبان طبیعی یا با یک برچسب صوتی هدایت کرد؛ درخواست یک ترکیب احساسی خاص، یا کنترل لحن در سطح پاراگراف، در حالی که ریتم در سطح جمله و تأکید در سطح کلمه کنترل می‌شود. خروجی به‌صورت WAV یا، برای پخش جریانی، صدای PCM16 با نرخ 24 kHz برمی‌گردد. مدل گفتار به متن لهجه‌های چینی را به‌علاوه گفتار مخلوط‌زبان و «تغییر کد» (code-switch) مدیریت می‌کند؛ یک نقطه قوت مشخص که اگر با یک ضبط چندزبانه کار کنید، ارزش دانستن دارد.

در کنار بقیه چطور قرار می‌گیرد

در برابر یک مدل تک‌منظوره، برتری MiMo وسعت در یک جاست: یک پرچمدار، یک سطح سریع، یک سطح سرعت و یک جعبه‌ابزار صوتی تحت یک کلید، به‌جای چهار حساب جداگانه. قیمت‌گذاری طبقه‌ای؛ یک قیمت پرچمدار، کسری از آن برای سطح روزمره و مضربی از قیمت پرچمدار برای سرعت خالص؛ الگویی است که در هر خانواده مدلی ارزش تشخیص دارد: سطح را با کار جور کنید و صورتحساب از کار پیروی می‌کند، نه برعکس.

پرسش‌های پرتکرار

خانواده‌ای از مدل‌های هوش مصنوعی شیائومی: MiMo-V2.6-Pro (پرچمدار، 1.02 تریلیون پارامتر)، MiMo-V2.6-Flash (نسخه ارزان‌تر و سریع‌تر)، MiMo-V2.6-Pro-UltraSpeed (ساخته‌شده برای سرعت بلادرنگ)، به‌علاوه مجموعه‌ای از ابزارهای تبدیل متن به گفتار، طراحی صدا و شبیه‌سازی صدا و یک مدل گفتار به متن.

Pro 0.435 دلار برای هر میلیون توکن ورودی و 0.87 دلار برای هر میلیون توکن خروجی هزینه دارد. Flash 0.14 دلار ورودی و 0.28 دلار خروجی برای هر میلیون توکن است. UltraSpeed ده برابر نرخ Pro است. ابزارهای تبدیل متن به گفتار برای مدت محدودی رایگان فهرست شده بودند، بدون تاریخ پایانی منتشرشده.

از طریق پلتفرم API خود شیائومی که با OpenAI سازگار است، جایی که یک حساب می‌سازید و یک کلید تولید می‌کنید، یا از طریق OpenRouter با نام‌های xiaomi/mimo-v2.6-pro و xiaomi/mimo-v2.6-flash و xiaomi/mimo-v2.6-pro-ultraspeed. همچنین یک چت وب، MiMo Studio، و یک اپ دسکتاپ، MiMo Desktop، هست.

بله. ابزار طراحی صدا یک صدای کاملاً جدید را از یک توصیف نوشته‌شده می‌سازد، بدون اینکه نمونه صوتی لازم باشد. ابزار شبیه‌سازی صدا یک صدا را از یک نمونه صوتی کوتاه که همراه با درخواست فرستاده می‌شود بازتولید می‌کند. هر دو از طریق همان API مدل‌های متنی اجرا می‌شوند.

Flash. برای تماس‌های روزمره پرتکرار با کسری از قیمت پرچمدار ساخته شده و برای پیش‌نویس معمولی از مصالح خودتان معمولاً انتخاب درست است. Pro را برای طولانی‌ترین و سخت‌ترین کارها نگه دارید.

بله. هر دو مدل متنی Pro و Flash تمام‌وجهی‌اند؛ یک درخواست واحد می‌تواند متن، تصویر، یک کلیپ ویدیویی یا صدا را با هم شامل شود و به‌عنوان یک ورودی واحد روی آن استدلال می‌کند، نه اینکه از ابزارهای جداگانه رد شود.

MiMo-V2.5-ASR رسماً متن‌باز است، با وزن‌ها و کد عمومی، و لهجه‌های چینی را به‌علاوه گفتار مخلوط‌زبان و تغییر کد تشخیص می‌دهد. قیمت آن در API 0.074 دلار برای هر ساعت صدا است.

مشاوره رایگان 15 دقیقه‌ای به فارسی

اگر می‌خواهید بدانید این ابزارها و روش‌های تازه چطور در کار روزانه یک مشاور املاک جای می‌گیرند، در یک گفت‌وگوی کوتاه فارسی با آل و ویکتوریا پیندر از تجربه، آموزش و همراهی مربیگری آن‌ها بهره ببرید. بدون هیچ تعهدی؛ فقط یک گفت‌وگوی روشن برای قدم بعدی شما.